Interventions to Reduce Stigma of Dementia: First Insights From a Rural Community-Based Participatory Study
Notice bibliographique
Résumé
Abstract Age is the greatest risk factor for dementia, and the number of rural older adults is rising. Although dementia-related stigma is widely documented, few studies focus on ways to reduce stigma, especially within rural communities. This late breaker presentation aims to: 1) explore the contributing factors of dementia-related stigma in rural communities; and 2) identify interventions to reduce stigma of dementia in rural communities. Drawing on a community-based participatory approach, data were collected through semi-structured interviews with 18 older adults, and a focus group with 7 community leaders in rural Saskatchewan, Canada. Thematic analysis was used to identify key themes and patterns within the data. Contributing factors of dementia-related stigma ranged from fear to lack of dementia knowledge. Several anti-stigma interventions were identified including: forming support groups; hosting educational workshops; inviting guest speakers with dementia; talking openly about dementia; learning more about dementia; asking questions; sharing your lived-experiences; being inclusive; developing inter-generational programs; and avoiding assumptions and hurtful jokes. As the rural population ages, there is a growing need for interventions, programs, and policies to address stigma of dementia. Engaging in rural partnerships and collaborative research is essential to developing community-informed strategies to reduce dementia-related stigma and improve the quality of life for people with dementia.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».